【Derivation】MarkDown Letex编码 之 正态分布特征函数证明
来源:互联网 发布:对冲书籍 知乎 编辑:程序博客网 时间:2024/05/16 15:22
**求证:$\varphi(u)=e^{jau-\frac{1}{2}u^2\sigma^2} \ \ \ , t\in R $** **证:** * * $$\varphi(u)=\int _ {-\infty} ^ {+\infty} e^{jux}f(x)dx$$ $$=\int_ {-\infty}^{+\infty} e^{jux} \frac{1}{\sqrt{2\pi\sigma^2}} e^{- \frac{(x-a)^2}{2\sigma^2}}dx$$* 整理,得:* $$\varphi(u)= \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx $$* * beacuse $|jx e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}| \leq |x| e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}$ and $ \frac{1}{\sqrt{2\pi}}|x| e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}} < +\infty$ , $so $可以对$\varphi(u)$求$u$的一阶导数,* 有: $$\varphi \prime(u)= \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} {jx}\ e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx $$综合可推: $$j{(u-j\frac{a}{\sigma^2})\varphi (u)}+\frac{j{\varphi \prime(u) } } {\sigma^2} $$$$=$$ $$ \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} { ( ju-\frac{x-a}{\sigma^2} })\ e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx =$$$$ \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} { ( ju-\frac{x-a}{\sigma^2} })\ e^{jux- \frac{(x-a)^2}{2\sigma^2}}dx $$ $$=\frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} 1de^{jux- \frac{(x-a)^2}{2\sigma^2}} $$$$=\frac{1}{\sqrt{2\pi\sigma^2}}[e^{jux- \frac{(x-a)^2}{2\sigma^2}}]|_{-\infty}^{+\infty}=0$$即得微分方程$${u\varphi (u)-j\frac{a}{\sigma^2}\varphi (u)}+\frac{{\varphi \prime(u) } } {\sigma^2}=$$$${(u\sigma^2 -ja)}{\varphi (u)}+{\varphi \prime(u) } =0$$即得微分方程++++分水岭,从后往前推+++++++$${\varphi (u)}+\frac{{\varphi \prime(u) } } {u\sigma^2 -ja} $$$$={u\varphi (u)}+\frac{{\varphi \prime(u) } } {\sigma^2 -\frac{ja}{u}}=0 $$求解:$$\frac{\varphi\prime(u)}{\varphi(u)}=-u\sigma^2+ja$$解得:$$\ln\varphi (u)=-\frac{1}{2}u^2D(x)+jau+C$$进一步化简:$$\varphi (u)=e^Ce^{-\frac{1}{2}u^2D(x)+jau}$$令$u=0,e^C=\varphi(0)=E[E^(j0X)]=E[e^0]=1$,故$C=0;$代入通解为:$$\varphi (u)=e^{jau-\frac{1}{2}u^2D(x)}$$由以上推导,**正态分布特征函数表达式** 得证
**求证:$\varphi(u)=e^{jau-\frac{1}{2}u^2\sigma^2} \ \ \ , t\in R $** **证:** * * $$\varphi(u)=\int _ {-\infty} ^ {+\infty} e^{jux}f(x)dx$$ $$=\int_ {-\infty}^{+\infty} e^{jux} \frac{1}{\sqrt{2\pi\sigma^2}} e^{- \frac{(x-a)^2}{2\sigma^2}}dx$$* 整理,得:* $$\varphi(u)= \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx $$* * beacuse $|jx e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}| \leq |x| e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}$ and $ \frac{1}{\sqrt{2\pi}}|x| e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}} < +\infty$ , $so $可以对$\varphi(u)$求$u$的一阶导数,* 有: $$\varphi \prime(u)= \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} {jx}\ e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx $$综合可推: $$j{(u-j\frac{a}{\sigma^2})\varphi (u)}+\frac{j{\varphi \prime(u) } } {\sigma^2} $$$$=$$ $$ \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} { ( ju-\frac{x-a}{\sigma^2} })\ e^{jux} e^{- \frac{(x-a)^2}{2\sigma^2}}dx =$$$$ \frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} { ( ju-\frac{x-a}{\sigma^2} })\ e^{jux- \frac{(x-a)^2}{2\sigma^2}}dx $$ $$=\frac{1}{\sqrt{2\pi\sigma^2}}\int _ {-\infty} ^ {+\infty} 1de^{jux- \frac{(x-a)^2}{2\sigma^2}} $$$$=\frac{1}{\sqrt{2\pi\sigma^2}}[e^{jux- \frac{(x-a)^2}{2\sigma^2}}]|_{-\infty}^{+\infty}=0$$即得微分方程$${u\varphi (u)-j\frac{a}{\sigma^2}\varphi (u)}+\frac{{\varphi \prime(u) } } {\sigma^2}=$$$${(u\sigma^2 -ja)}{\varphi (u)}+{\varphi \prime(u) } =0$$即得微分方程++++分水岭,从后往前推+++++++$${\varphi (u)}+\frac{{\varphi \prime(u) } } {u\sigma^2 -ja} $$$$={u\varphi (u)}+\frac{{\varphi \prime(u) } } {\sigma^2 -\frac{ja}{u}}=0 $$求解:$$\frac{\varphi\prime(u)}{\varphi(u)}=-u\sigma^2+ja$$解得:$$\ln\varphi (u)=-\frac{1}{2}u^2D(x)+jau+C$$进一步化简:$$\varphi (u)=e^Ce^{-\frac{1}{2}u^2D(x)+jau}$$令$u=0,e^C=\varphi(0)=E[E^(j0X)]=E[e^0]=1$,故$C=0;$代入通解为:$$\varphi (u)=e^{jau-\frac{1}{2}u^2D(x)}$$由以上推导,**正态分布特征函数表达式** 得证
0 0
- 【Derivation】MarkDown Letex编码 之 正态分布特征函数证明
- 【Derivation】MarkDown Letex编码 之 维纳—辛钦公式证明 (Winner-Khintchine formula)
- 【Derivation】正态分布特征函数证明-X~N(a,sigma^2)
- MarkDown Letex编码 之 随机过程及应用-特征函数
- 【matlab】MarkDown Letex 编码 之 随机过程及应用(三) - 高斯分布/正态分布的期望和方差
- MarkDown Letex 编码 之 随机过程及应用(二) - E[X|Y] = E[Y E[X|Y]]证明
- 【Derivation】采样定理证明
- 【Derivation】维纳—辛钦公式证明
- 【Derivation】任何矩阵都相似与Jordan标准形证明
- 密钥导出函数(Key derivation function)
- 【Derivation】随机过程及应用(三) - 高斯分布/正态分布的期望和方差
- 正态分布函数实现
- R的正态分布函数
- 函数增长之难题证明(算法导论)
- 异常检测之正态分布
- 机器学习之特征编码总结
- 哈夫曼编码正确性之屌丝证明法
- 特征编码
- 【bzoj 1858】 [Scoi2010]序列操作 线段树
- 对 jQuery 中 data 方法的误解分析
- 十月16日笔记
- Java之接口及其作用
- Wireshark中常见的TCP Info
- 【Derivation】MarkDown Letex编码 之 正态分布特征函数证明
- Spark的算子的分类
- hexo+github pages博客搭建记录
- 流程控制简单知识点以及零碎知识点
- 20161016 Python 读书笔记之函数抽象 参数、作用域
- UVa 540 Team Queue
- 多选框和反选框
- 分区结构分析: linux系统可查看某一磁盘结构,效果类似window的winhex。
- SD卡启动详解